文本之外的能力：视觉理解、图文混合、音视频输入输出的模型与产品进展。
FT 这篇文章的标题和摘要片段提到，AI 能利用闭路电视画面识别目标，俄罗斯在伊朗最高领袖遇刺后暂停了一套监控系统。但文章正文返回了 403 错误，被付费墙挡在外面，所以系统名称、模型机制、供应商和时间线这些核心信息都没法核实。目前能看到的只有 RSS 摘要里的那几句，我会先打个折：标题里的“突破”和“警觉”听起来很重，但没看到具体技术方案和验证数据之...
推荐理由：FT 的标题和摘要片段提到 AI 能利用闭路电视画面识别目标，俄罗斯在伊朗最高领袖遇刺后暂停了一套监控系统。但文章正文返回了 403 错误，被付费墙挡在外面，所以系统名称、模型机制、供应商和时间线这些核心信息都没法核实。目前能看到的只有 RSS 摘要里的那几句，我会先打个折：标题里的“突破”和“警觉”听起来很重，但没看到具体技术方案和验证数据之前，只能当一条有悬念的线索。
北海道农民富安弘毅把 ChatGPT 和 Codex 当工程师用，做了 8 件事：拍照识别西兰花病害、用卫星 NDVI 数据看作物长势、拿 ESP32 加 LINE 机器人远程开关温室卷帘、给农场群聊写了个管温度和排期的机器人、从聊天记录里自动统计播种数量、研究 RTK-GPS 自动转向原理并算了自建要花多少钱、用 Airtable 搭了农场管理数据库...
推荐理由：我会先打个折：全文只有一个人、一个农场，没有产量对比或省了多少工时的数字，所以不能当行业证据用。但它的价值不在严谨，而在把 AI 写代码这件事从屏幕拉到了泥地里——一个农民没找外包、没学编程，直接用 Codex 做出了 8 个能跑的工具。这种'非程序员用 AI 写代码干物理世界的活'的案例现在还很少，对国内做 agent 和 coding 方向的人是个挺新鲜的参照。
这篇文章的正文被微信环境异常页挡住了，看不到具体技术细节。从标题和现有摘要看，快手可灵和城大合作了一个叫 VLM-as-Teacher 的方法。思路是在测试阶段用视觉语言模型（VLM）给视频生成模型（VGM）的 LoRA 模块打分反馈，边生成边优化，让模型学会按文字规则推理。他们搞了个 VBVR-Bench 基准，分数从 0.666 提到了 0.781...
推荐理由：正文被微信环境异常页挡住了，看不到技术细节，这点先打个折。但从标题和摘要看，快手可灵和城大搞的 VLM-as-Teacher，思路是在测试阶段让视觉语言模型给视频生成模型的 LoRA 打分，边跑边调，让模型学会按文字规则推理。VBVR-Bench 上分数从 0.666 提到 0.781，说明规则遵循能力有明显提升。方法本身有巧思，不是换模型架构，而是在推理时加一层在线优化，对可控视频生成是个实用方向。信息缺口在于没看到具体实现和消融实验，等正文能看了再补判断。
京东放出了一个叫 JoyAI-Echo 的开源框架，专门解决 AI 生成 5 分钟长视频时画面容易崩、前后不一致的问题。它用跨模态记忆模块把视频里的角色、场景信息存下来，保证长镜头里不会突然变脸或换衣服。训练上用了 DMD 后训练技术，推理速度比原来快了大概 7.5 倍，生成一段视频的成本和时间都压下来了。输出端还做了实时超分，能把 720P 画面直接...
推荐理由：我会先打个折：正文没提第三方评测或用户实测，所有性能数据都来自京东自己，所以效果得等上手再看。但这条消息本身有料——JoyAI-Echo用记忆模块存角色和场景信息，解决长视频变脸换衣服的老毛病，推理还快了7.5倍，成本往下走。对做视频生成的团队来说，开源就意味着能拿来改、能压成本，这点挺实在。先给80分，等有实测对比再往上调。
OpenCV 5 最大的变化是换了一套全新的 DNN 引擎，从原来的逐层执行改成基于计算图的架构，能做算子融合，跑 Transformer、视觉语言模型和大语言模型都成了原生能力。ONNX 算子的覆盖率从 4.x 时期不到 23% 一下子拉到 80% 以上，以前很多导不进来的模型现在能直接用了。另外硬件加速层也重新整理了，厂商可以直接插优化后的计算内核...
推荐理由：HKR 三项都站得住：OpenCV 加原生大模型支持是个实打实的跨界信号，计算图引擎和 ONNX 覆盖率暴涨是硬核知识增量，本地推理和兼容性又切中部署痛点。作为大版本更新，重要性够上 featured，但还没到模型实验室发新作那种必写级别。
Victor M 在 X 上整理了一份清单，过去一周有超过 25 个开放权重的模型发布，几乎覆盖了所有模态。其中最扎眼的是 NVIDIA 的 Nemotron 3 Ultra，一个 550B 参数的混合架构（Mamba-MoE），每次推理只激活 55B 参数，上下文窗口能塞进 100 万个 token。不过正文被 Reddit 的安全策略拦住了，具体还...
推荐理由：我会先打个折：消息源是 X 上的个人整理，Reddit 原文还被安全策略拦了，具体细节没法交叉验证。但一周 25+ 个开放权重模型这个密度本身就值得关注，NVIDIA 那个 550B 的 Nemotron 用 Mamba-MoE 架构，激活参数只有 55B，上下文能塞 100 万 token，如果实测靠谱，推理成本会省不少。这点先别太激动，等完整评测出来再说。
这篇推文本身因为微信环境验证没抓到正文，我只能根据标题和已有英文摘要来说。PhysX-Omni 是一个 3D 生成框架，特点是生成出来的模型不是只能看，而是直接带物理属性，能区分刚体、软体和带关节的物体，扔进仿真器就能跑。配套的数据集 PhysXVerse 有超过 8700 个物理 3D 资产，覆盖 2900 多个类别。对做机器人仿真的人来说，省掉了手...
推荐理由：标题说打通全链路，但正文没抓到，只能按摘要判断。PhysX-Omni 解决的是仿真资产从能看升级到能跑的问题，省掉了手动标物理属性的脏活。8700+ 资产和 2900+ 类别说明数据集有一定覆盖面，不过没披露资产质量、仿真精度和实际跑分，效果还得等模型放出来再看。大晓机器人和南洋理工的组合在机器人圈有认知度，但放到整个 AI 圈声量中等，所以卡在 featured 门槛上。
京东放出了JoyAI-Echo，一个能一口气生成最长5分钟视频加音频的框架，而且全量开源。它主打跨镜头画面和声音的一致性，支持局部重绘，用8步DMD蒸馏来提速，最高能输出1472×2560分辨率的片子。不过原文因为微信环境验证没过去，具体效果和实测数据暂时看不到，这点先别太激动。
推荐理由：JoyAI-Echo把长视频生成的门槛拉到了5分钟，而且代码全放出来，不是只发篇论文。跨镜头画面和声音一致性、局部重绘、8步蒸馏提速这些点都踩在视频AI从业者的痛点上。不过原文因为微信环境验证没过去，具体效果和实测数据暂时看不到，这点先别太激动。单源覆盖、没有独立评测，分数放在78–84区间比较合理。
Google AI 这周一口气更新了六样东西。Nano Banana 2 和 Pro 版正式上线，走 Gemini 企业平台、API 和 AI Studio 就能用。Co-Scientist 是一个多智能体系统，专门帮科研人员自动生成和优化新假设，相当于有个助手帮你读文献、想点子。Google Labs 出了个 dreambeans，会扒你的 Goog...
推荐理由：HKR 三项都踩中了：帖子一口气打包了 Google AI 六个更新，本地部署和开源这两个点对从业者很实在。正文没给基准测试、授权条款和定价细节，所以分数卡在 76，没往上走。
Gemini 应用里的 Live 模式加了实时生图和编辑功能。你打开摄像头，告诉它你想看到什么，它就能当场改画面，比如换墙色、加家具、把眼前场景变成梗图。正文没提生成一张图要多久、支持哪些画风，也没说免费额度怎么算。
推荐理由：Gemini Live 现在能边看边改图了，你开着摄像头说“把墙刷成蓝色”或者“加个沙发”，它当场给你变出来。这功能听着挺唬人，但正文没交代生成延迟、画风支持范围，也没提免费额度，所以实际用起来卡不卡、花不花钱，都得打个问号。HKR 全过：标题有实时交互的噱头，操作门槛低到只剩张嘴，而且直接冲着修图软件和创意工具去的，竞争味很浓。
General Instinct 开源了 InstinctRazor，一个专门给边缘设备用的模型压缩方案。他们拿 Qwen3.5-122B-A10B 开刀，这个模型原本是 BF16 格式的混合专家模型（MoE），体积大约 245GB。压缩后变成一个 48GiB 的 GGUF 文件，比 Gemma-4-26B-A4B 还小，但在 MMLU-Pro 和 G...
推荐理由：我会先打个折：这是 YC 的 Launch HN，不是独立评测，性能数据得等第三方复现。但亮点很实在——把一个 245GB 的 MoE 模型压到 48GiB，还能在消费级显存上跑 8k 上下文。正文没披露压缩后推理速度有多快，也没说 MMLU-Pro 具体掉了多少分，这点先别太激动。不过思路本身对想在本地跑大模型的团队挺省钱，所以放在 featured 合适。
安全研究员从 Meta 智能眼镜的配套 App 里拆出了一套叫 NameTag 的人脸识别功能代码。这套代码虽然没开启，但核心组件已经通过应用更新，静默分发到了下载量超 5000 万次的设备上。它的工作流程是：用三个 AI 模型分别完成人脸检测、图像裁剪和把人脸转成生物特征模板（faceprints），然后跟手机本地数据库做比对。识别成功会弹通知，没认...
推荐理由：这篇东西挖出了 Meta 智能眼镜 App 里藏着的 NameTag 人脸识别代码，虽然没开启，但核心组件已经通过更新静默塞进了超 5000 万次下载的设备里。我会先打个折：它毕竟不是官方发布或重大事故，只是一篇基于代码拆解的深度报道，所以重要性我给到 82，刚好跨过 featured 门槛。HKR 三条全过：热点是隐藏代码加 5000 万设备规模，知识量有三模型本地比对的具体流程，关联度则踩中了中美算力差距和效率竞赛的从业者神经。正文没确认功能已对用户开放，所以分数没再往上拉。
Reddit 上有人吐槽微软应该发类似 Qwen3.6-27B 或 Gemma-4-31B 这种中等体量的开源模型，结果他们放出来的是七个 MAI 模型。其中 MAI-Thinking-1 参数规模标的是 1T A35B，上下文窗口 256K；MAI-Code-1-Flash 是 137B A5B，同样 256K 窗口。帖子正文被网络策略挡了，看不到更...
推荐理由：微软一口气放出 7 个 MAI 模型，带推理和代码变体，256K 上下文窗口，信息量够得上 HKR-K 和 R。帖子拿 Qwen3.6 和 Gemma-4 当参照物，说微软早该发这类中型模型，这个追赶角度撑起了 H。不过来源是 Reddit 吐槽帖，正文还被网络策略挡了，缺基准测试、许可证和定价细节，所以停在 featured 档，上不了 P1。
这篇推文本身被微信的环境验证挡住了，正文内容没抓到。从标题和已有的英文摘要看，MetaFine 是一个诊断式的元评测框架，专门拆开看机器人在精细操作上的理解、感知和行为三个环节，而不是只给一个“成功/失败”的二元结果。研究团队说，传统只看最终成功率的评测方式，对精细操作能力的评估会虚高最多 70%。具体怎么测的、用了哪些任务和模型，正文没披露，没法展开。
推荐理由：标题和摘要抛出的 70% 虚高数字很有冲击力，MetaFine 的三轴诊断思路也确实比只看成功率进了一步。但正文被微信环境验证挡住，具体任务、模型和实验细节全是缺口，没法核实。所以它是一篇有钩子、有新知但信息不完整的二次评论帖，放在 featured 门槛上刚好，不宜再拔高。
姚顺雨在腾讯云 AI 产业应用大会上说，混元 3 把预训练和强化学习的基础设施重做了一遍，数据和评估方式也换了，还把最强的后训练人员先调去改进元宝。他点名代码 agent、多模态和具身智能是腾讯接下来的重点方向。
推荐理由：这是一篇大会发言和路线图信号，不是带规格、跑分或上线日期的新模型发布。信息增量在于腾讯把后训练精锐先押在元宝上，以及重做基础设施这个表态，但缺少可验证的指标。放在 featured 低位，是因为它给中国大厂 AI 战略更新提供了一个有争议锚点的注脚，而不是一个硬核技术首发。
Google AI for Developers 放出了一个叫 Magenta RealTime 2（MRT2）的实时音乐模型，权重开放，推理引擎也开源了。你可以用 MIDI 键盘弹、打字给提示词，甚至用手势控制它来生成音乐。它在 MacBook 上原生跑，延迟压到了 200 毫秒以内，这个速度对实时演奏来说基本跟手。配套还给了应用和插件套件，到手就能...
推荐理由：HKR 三项都过：Google Magenta MRT2 有实打实的实时音频钩子、开放权重和低于 200ms 的本地延迟。对创意 AI 开发者吸引力很强，但本质上是一封公开信和政策诉求，不是已生效的法律，法案文本和执行时间表都没披露，所以放在 featured 而不是更高一级。
Higgs Audio v3 TTS 是 Boson AI 的语音合成模型，参数量大约 4B，底层用了 Qwen3-4B。它支持 100 种语言，在内部测试集上词错率/字错率能压到个位数。这个模型专门为语音助手那种边说边生成的场景设计，不等句子结束就能开始合成，后续文本到了还能保持声音、情绪和节奏连贯。开发者可以直接在输入文本里插标签来控制 20 多种...
推荐理由：H 和 K 靠 4B/100 语言/流式合成这几个硬指标撑住。R 偏弱，因为文章没给延迟、定价和权重，更像一个能力宣告而非可立刻复用的发布，所以放在 featured 低位。
这个模型基于 Qwen3.5-397B-A17B 改造，总参数量 397B，用了混合专家架构（MoE，把任务分给不同子模型处理，省算力）。它能处理 26 万多字的长上下文，也支持图像识别。官方说它在 Terminal Bench 2.1、GDPVal、SWE-Verified 这几个测试集上拿了最高分，性能对标 GPT-5.5 和 Claude Opu...
推荐理由：HKR 三项都过：标题的 benchmark 钩子够强，正文也给了模型尺寸、上下文和 token 缩减的具体数字。但这是一封公开信和政策呼吁，不是已生效的法律，法案文本和执行时间表都没披露，所以放在 featured 而不是更高。
分子之心推出了一个叫 MMDesign 的 AI 平台，专门用来从头设计生物大分子药物。他们在 12 个治疗靶点上做了测试，每个靶点只挑了 14 到 50 个分子去做湿实验验证，结果有 11 个靶点都测出了特异性结合，算下来靶点成功率超过了 90%。不过正文因为访问环境异常没加载出来，具体用了什么模型架构、训练数据规模、以及和哪些国际顶尖模型做了对比，...
推荐理由：我会先打个折：正文没披露这 12 个靶点具体是什么、难度如何，也没说湿实验的具体指标和对照组，所以 90% 这个数先别太激动。但亮点在于，每个靶点只筛了 14 到 50 个分子就进湿实验，如果数据属实，意味着前期筛选成本压得很低。对做 AI 制药的人来说，这比跑分更有参考价值。整体偏产品发布，但数字够具体，放在 featured 档合理。
MiniMax 的新模型 M3 在第三方评测平台 Artificial Analysis 的开源榜单上排到了第一。文章说它支持一次性处理 100 万 token 的上下文，预训练用了百 T 级别的数据，并承诺在 10 天内开源模型权重和完整技术报告。不过，这篇微信文章本身因为环境验证问题无法看到正文，所以具体的评测细节、中文社区到底在吵什么、以及硅谷 ...
推荐理由：MiniMax M3在Artificial Analysis上冲到了开源模型第一，但中文社区对评测含金量吵得很凶。我会先打个折：权重和完整报告还没放出来，现在只能看官方给的数据。1M上下文和100T预训练规模听着挺猛，但正文没披露具体架构和训练成本，这点先别太激动。10天内开源这个承诺如果兑现，对开发者是实打实的利好；如果跳票，那现在的排名就先当个热闹看。